[论文解读] Fingerprints: Fixed Length Representation via Deep Networks and Domain Knowledge

Joshua J. Engelsma, Kai Cao+1 more|arXiv (Cornell University)|Apr 1, 2019

Biometric Identification and Security参考文献 29被引用 9

一句话总结

该论文提出一种基于深度学习的方法，通过将指纹领域知识（特别是纹线细节的位置与方向）整合到多任务Inception v4架构中，并引入空间变换模块进行对齐，生成固定长度的512维指纹表征。该方法在NIST SD4数据集上达到97.9%的Rank-1准确率，匹配速度达682,594次/秒，显著优于商业纹线匹配器的速度，同时保持了具有竞争力的准确率。

ABSTRACT

We learn a discriminative fixed length feature representation of fingerprints which stands in contrast to commonly used unordered, variable length sets of minutiae points. To arrive at this fixed length representation, we embed fingerprint domain knowledge into a multitask deep convolutional neural network architecture. Empirical results, on two public-domain fingerprint databases (NIST SD4 and FVC 2004 DB1) show that compared to minutiae representations, extracted by two state-of-the-art commercial matchers (Verifinger v6.3 and Innovatrics v2.0.3), our fixed-length representations provide (i) higher search accuracy: Rank-1 accuracy of 97.9% vs. 97.3% on NIST SD4 against a gallery size of 2000 and (ii) significantly faster, large scale search: 682,594 matches per second vs. 22 matches per second for commercial matchers on an i5 3.3 GHz processor with 8 GB of RAM.

研究动机与目标

• 为解决可变长度纹线模板在指纹识别中的局限性，包括搜索性能慢以及模板加密困难等问题。
• 通过将指纹特异性领域知识嵌入深度神经网络，提升在多样化指纹类型（如滚压指纹与平面指纹）上的识别准确率与泛化能力。
• 通过学习紧凑的固定长度表征，实现快速、可扩展的大规模指纹搜索。
• 通过教师-学生蒸馏方法降低模型复杂度与推理时间，同时保持准确率。

提出的方法

• 设计一个多任务深度卷积神经网络，同时从指纹图像中学习基于纹理的表征与基于纹线图的表征。
• 使用空间变换模块在特征提取前对输入指纹图像进行裁剪与对齐，提升对姿态与方向变化的鲁棒性。
• 通过将纹理特征与纹线图特征拼接，形成固定长度的512维向量作为最终的指纹表征。
• 通过纹线图分支注入领域知识，编码纹线细节的空间分布与方向信息，增强表征的判别能力。
• 应用教师-学生蒸馏框架对模型进行压缩，在几乎不损失准确率的前提下减少推理时间与内存占用。
• 模型在大规模纵向滚压指纹数据库上进行训练，并在公开基准数据集（NIST SD4与FVC 2004 DB1）上进行评估。

实验结果

研究问题

• RQ1 能否通过嵌入指纹领域知识的深度学习模型，生成优于可变长度纹线模板的固定长度表征，从而在识别准确率上实现提升？
• RQ2 纹线图分支的集成在多大程度上提升了对多样化指纹类型（如滚压指纹与平面指纹）的泛化能力？
• RQ3 固定长度表征在多大程度上可实现与传统纹线匹配系统相比的数个数量级速度提升？
• RQ4 知识蒸馏能否在不造成显著准确率下降的前提下，有效压缩深度指纹表征模型？

主要发现

• 所提方法在NIST SD4数据集上（画廊大小为2,000）实现97.9%的Rank-1识别准确率，超过最佳商业匹配器（Verifinger v6.3）的97.3%准确率。
• 固定长度表征在i5 3.3 GHz处理器上实现682,594次/秒的匹配速度，相比商业匹配器（22次/秒）提升了31,500倍。
• 在包含282,000枚指纹的大规模背景库中，系统仍保持94.3%的高Rank-1准确率，展现出强大的可扩展性。
• 在FVC 2004 DB1数据集上，加入空间变换模块与纹线图分支的多任务学习使识别准确率从65.1%提升至93.2%，显著改善了泛化能力。
• 知识蒸馏在保持性能的同时减小了模型尺寸，使紧凑的学生模型能够达到与大型教师模型相当的推理速度。
• 固定长度表征支持强加密模板，解决了可变长度纹线模板在隐私敏感应用中的主要局限。